論文の概要: ADOD: Adaptive Domain-Aware Object Detection with Residual Attention for
Underwater Environments
- arxiv url: http://arxiv.org/abs/2312.06801v1
- Date: Mon, 11 Dec 2023 19:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 18:25:23.014349
- Title: ADOD: Adaptive Domain-Aware Object Detection with Residual Attention for
Underwater Environments
- Title（参考訳）: ADOD:水中環境に対する残留注意を用いた適応型ドメイン認識オブジェクト検出
- Authors: Lyes Saad Saoud, Zhenwei Niu, Atif Sultan, Lakmal Seneviratne and
Irfan Hussain
- Abstract要約: 本研究では,水中物体検出における領域一般化のための新しいアプローチであるADODを提案する。
本手法は, 様々な水中環境下での堅牢性を確保するため, 多様な領域にまたがってモデルを一般化する能力を高める。
- 参考スコア（独自算出の注目度）: 1.2624532490634643
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This research presents ADOD, a novel approach to address domain
generalization in underwater object detection. Our method enhances the model's
ability to generalize across diverse and unseen domains, ensuring robustness in
various underwater environments. The first key contribution is Residual
Attention YOLOv3, a novel variant of the YOLOv3 framework empowered by residual
attention modules. These modules enable the model to focus on informative
features while suppressing background noise, leading to improved detection
accuracy and adaptability to different domains. The second contribution is the
attention-based domain classification module, vital during training. This
module helps the model identify domain-specific information, facilitating the
learning of domain-invariant features. Consequently, ADOD can generalize
effectively to underwater environments with distinct visual characteristics.
Extensive experiments on diverse underwater datasets demonstrate ADOD's
superior performance compared to state-of-the-art domain generalization
methods, particularly in challenging scenarios. The proposed model achieves
exceptional detection performance in both seen and unseen domains, showcasing
its effectiveness in handling domain shifts in underwater object detection
tasks. ADOD represents a significant advancement in adaptive object detection,
providing a promising solution for real-world applications in underwater
environments. With the prevalence of domain shifts in such settings, the
model's strong generalization ability becomes a valuable asset for practical
underwater surveillance and marine research endeavors.
- Abstract（参考訳）: 本研究では,水中物体検出における領域一般化のための新しいアプローチであるADODを提案する。
本手法は, 様々な水中環境下での堅牢性を確保するため, 多様な領域にまたがってモデルを一般化する能力を高める。
最初の重要な貢献は、残留注意モジュールによって強化されたyolov3フレームワークの新しい変種である、残留注意モジュールであるyolov3である。
これらのモジュールにより、モデルはバックグラウンドノイズを抑えながら情報的特徴に集中することができ、検出精度と異なるドメインへの適応性が改善される。
第2の貢献は、トレーニング中に必須となる、注意に基づくドメイン分類モジュールである。
このモジュールは、モデルがドメイン固有の情報を識別し、ドメイン不変の機能の学習を促進するのに役立つ。
その結果、ADODは視覚特性の異なる水中環境に効果的に一般化することができる。
多様な水中データセットに関する大規模な実験は、特に挑戦的なシナリオにおいて、最先端のドメイン一般化手法と比較してADODの優れた性能を示す。
提案手法は, 水中物体検出作業における領域シフト処理の有効性を示すとともに, 目に見える領域と目に見えない領域の両方において異常検出性能を実現する。
ADODは適応オブジェクト検出の大幅な進歩を示し、水中環境における現実世界の応用に有望なソリューションを提供する。
このような状況下でのドメインシフトが広まると、モデルの強力な一般化能力は実用的な水中監視と海洋研究の努力にとって貴重な資産となる。
関連論文リスト
- Zero-shot Degree of Ill-posedness Estimation for Active Small Object Change Detection [8.977792536037956]
日常的な屋内ナビゲーションでは、ロボットは区別できない小さな変化物体を検出する必要がある。
既存の技術は、変更検出モデルを正規化するために、高品質なクラス固有オブジェクトに依存している。
本研究では,受動とアクティブビジョンの両方を改善するために,DoIの概念を検討する。
論文 参考訳（メタデータ） (2024-05-10T01:56:39Z) - A Real-Time Framework for Domain-Adaptive Underwater Object Detection with Image Enhancement [18.936260846385444]
EnyoLOは、水中画像強調(UIE)と物体検出(UOD)を同時に行うために設計された統合リアルタイムフレームワークである。
このフレームワークはUIEタスクとUDDタスクの両方でSOTA(State-of-the-art)性能を実現するが、異なる水中シナリオに適用した場合にも優れた適応性を示す。
論文 参考訳（メタデータ） (2024-03-28T01:00:08Z) - CMDA: Cross-Modal and Domain Adversarial Adaptation for LiDAR-Based 3D
Object Detection [14.063365469339812]
LiDARベースの3Dオブジェクト検出法は、ソース(またはトレーニング)データ配布の外部のターゲットドメインにうまく一般化しないことが多い。
画像のモダリティから視覚的セマンティックキューを活用する,CMDA (unsupervised domain adaptation) と呼ばれる新しい手法を提案する。
また、自己学習に基づく学習戦略を導入し、モデルが逆向きに訓練され、ドメイン不変の機能を生成する。
論文 参考訳（メタデータ） (2024-03-06T14:12:38Z) - Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。
最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
論文 参考訳（メタデータ） (2024-02-05T15:25:32Z) - Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳（メタデータ） (2023-11-21T13:12:21Z) - Edge-guided Representation Learning for Underwater Object Detection [15.832646455660278]
水中物体検出は海洋経済の発展、環境保護、惑星の持続可能な開発に不可欠である。
このタスクの主な課題は、低コントラスト、小さな物体、水生生物の模倣である。
本稿では,識別的表現学習とアグリゲーションの実現を目的としたエッジ誘導型表現学習ネットワークERL-Netを提案する。
論文 参考訳（メタデータ） (2023-06-01T08:29:44Z) - Out-of-Domain Robustness via Targeted Augmentations [90.94290420322457]
領域外一般化のためのデータ拡張設計の原理を考察する。
線形設定に関する理論的解析により動機付けを行い,対象拡大を提案する。
その結果,OOD性能は3.2～15.2ポイント向上した。
論文 参考訳（メタデータ） (2023-02-23T08:59:56Z) - Towards Online Domain Adaptive Object Detection [79.89082006155135]
既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。
オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-11T17:47:22Z) - SVAM: Saliency-guided Visual Attention Modeling by Autonomous Underwater
Robots [16.242924916178282]
本稿では,自律型水中ロボットの視覚的注意モデル(SVAM)に対する総合的なアプローチを提案する。
提案するSVAM-Netは,様々なスケールの深部視覚的特徴を統合し,自然水中画像に有効なSOD(Salient Object Detection)を実現する。
論文 参考訳（メタデータ） (2020-11-12T08:17:21Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。